企業養蝦🦞（OpenClaw），蝦住在哪裏比蝦本身重要
整理版優先睇
企業部署AI Agent，知識體系比模型更重要；飛書因天生具備數據、關係、權限，成為最佳落地平台。
呢篇文章出自一個企業 Agent 落地嘅實踐者，佢觀察到而家好多公司裝咗 OpenClaw 但用唔起，因為蝦住喺一個冇業務土壤嘅地方。作者認為，問題唔係模型唔夠強，而係企業冇幫蝦準備好工作環境——即係知識體系。佢用飛書做例子，講解點樣由數據、關係、操作到 Skill 四層結構，逐步建立可以畀 Agent 真正發揮嘅系統。
整體結論係：模型能力係租返嚟嘅，但知識體系係自己嘅。企業搞 AI 最忌淨係 focus 喺揀模型，而忽略咗將業務知識從人腦搬去系統。蝦只係催化劑，真正資產係沉澱落嚟嘅數據、規則同流程。邊間公司認真做呢件事，先至算得上真正「養蝦」。
- 企業養蝦核心係知識體系，模型能力係租嚟嘅，知識先係自己嘅資產。
- 知識體系分四層：數據、數據關係、操作、Agent技能；底層唔夠，上層 Skill 再靚都係空轉。
- 個人養蝦係裝工具，企業養蝦要識業務、保證安全、做到經驗傳承，完全係兩回事。
- 飛書因為本身有豐富嘅數據（文檔、表格、審批）、天然關係網絡、2500+ API 同完整權限，成為 OpenClaw 最佳土壤。
- 可行動：揀一個具體場景（例如客戶查詢），將相關數據結構化整理，操作規則顯性化，並確保知識唔依賴特定模型或個人。
蝦住邊度，比蝦本身重要
企業養蝦嗰陣風颳得太猛，好多公司裝咗 OpenClaw 但用起嚟好頭痕。做電商嘅問上個月退貨率，佢走去網上搜；叫佢寫催款信，連客人欠幾多錢都唔知。呢啲蝦同魚缸寵物冇分別，得個睇字。
蝦住在哪裏比蝦本身重要
作者強調，問題唔係模型唔夠叻，而係蝦住喺一個冇業務土壤嘅地方。再聰明嘅龍蝦，住喺魚缸都做唔到嘢。
個人 vs 企業：完全兩回事
個人用蝦，通常係發條 link 叫佢翻譯下，或者配張圖，好簡單。企業完全唔同，企業需要蝦識業務、安全同傳承。
- 需要蝦識業務：唔係「幫我寫郵件」，而係「按上季度框架協議，畀 A 客戶發 Q2 延遲說明，語氣參考上次 B 客戶嘅模板」——背後要數據、關係、權限同一條鏈。
- 需要蝦安全：個人守好銀行卡就夠，企業要數據隔離、權限分級、操作有日誌、出問題可溯源。
- 需要經驗傳承：今時用 Claude，明年可能轉 GPT-6，如果業務知識淨係喺 prompt 同人腦，一換人換模型就清零。
知識體系四層拆解
企業要積累嘅知識，拆開就係四層：第一層係數據，第二層係數據之間嘅關係，第三層係操作，第四層係 Agent 技能。
- 1 數據：客戶資訊、產品資料、業務文檔、歷史消息，係最基礎嘅原材料。
- 2 數據關係：呢個客簽咗邊個合同？呢個指標受咩影響？審批流程依賴邊啲部門？孤立數據冇用，連起嚟先有價值。
- 3 操作：查詢、更新、審批、發通知。唔同崗位有唔同操作規則，呢啲本身都係企業知識。
- 4 Agent 技能：將前三層封裝成 AI 可執行嘅形式，例如「收到催款信，自動查合同金額並起草回覆」。工具可以放喺技能裏面。
Skill 係冰山露出水面嘅部分，底下三層先係主體
呢個框架解釋咗點解好多公司寫 Skill 寫唔好：底層空嘅，Skill 再精緻都係空轉。
企業養蝦必做三件事
唔理你用飛書、釘釘定自建，有三件事共通。
- 將數據從人腦搬出：好多關鍵資訊喺某人腦裏、聊天記錄、Excel 入面，對 AI 嚟講唔存在。先揀一個場景，將相關數據結構化整理。
- 將操作規則顯性化：審批揾邊個？數據邊個睇得？走咩流程？呢啲規則通常只喺老員工經驗，要變成可配置權限同可執行流程。
- 令知識脱離特定模型同人：Prompt、Skill、工作流如果只綁某一模型或某一同事，係脆弱嘅。應該放喺有版本管理、權限控制、操作追溯嘅系統。
飛書點解對得上
OpenClaw 開發者自發湧向飛書，楊明鋒話飛書可能係最快最合適嘅平台。對照四層框架，優勢好明顯。
- 數據層：飛書本身就有訊息、文檔、多維表格、日曆、審批記錄，唔係為 AI 特登建，係日常工作積累落嚟。
- 數據關係層：組織架構、文檔引用、多維表格關聯視圖，天然構成關係網絡，多維表格仲可以自然語言生成系統。
- 操作層：超過 2500 個標準化 API，Agent 唔單止睇得明，仲鬱得手。
- 安全權限層：權限同用戶本人一致，唔會越權，敏感操作要確認，全程可追溯。
- Skill 層：官方插件 GitHub 開源，透明可審計，喺 ClawHub 有惡意 Skill 嘅背景下，安全審核係剛需。
飛書不只是 IM 工具，是一個完整的工作空間
楊攀講得啱，飛書同 OpenClaw「幫用戶做事」嘅定位高度契合。工具可以買，知識買唔嚟。最後，作者拋出一個問題：你公司係裝咗蝦喺空魚缸，定係認真起緊知識體系？
養蝦🦞（OpenClaw）呢股風吹得太勁喇，唔單止個人玩，企業都爭住裝，驚落後。
但普遍嘅情況係：裝容易，用起嚟難。做電商嘅公司，問蝦上個月嘅退貨率，佢走去網上搜；叫佢寫封催款電郵，佢連客人欠咗幾多錢都唔知。咁嘅蝦，同魚缸養嘅寵物冇分別，得個睇字。
好多人話企業養蝦養得唔好，係模型唔夠勁，係Skill寫得差。呢句說話唔完全啱。就算再聰明嘅蝦，學識咗屠龍術，如果住喺魚缸裏面，都做唔到啲乜。
蝦住喺邊度，比起蝦本身更重要。
呢篇文章我會由企業Agent落地嘅角度，傾下點樣令龍蝦真正發揮價值。會用飛書做例子嚟講，唔係因為佢完美，而係喺我見到嘅企業級方案入面，飛書喺「俾蝦提供工作環境」呢件事上做得最完整。
個人養蝦同企業養蝦，完全係兩回事
好似我自己用龍蝦，都係 send 條 link 叫佢抓取翻譯篇文章，或者幫篇文章配張圖，用得唔多。呢啲係個人玩法，夠曬。
企業就完全唔同。
企業要蝦識得業務。 唔係「幫我寫封電郵」，係「按照上季簽嘅框架協議，俾A客戶發一封關於Q2延遲交貨嘅情況說明，語氣參考上次俾B客戶嘅電郵範本」。要做呢個任務，蝦要知道框架協議嘅內容、A客戶嘅交貨時間線、B客戶電郵嘅語氣風格。背後需要嘅唔係更聰明嘅模型，係數據、關係、權限同業務規則成條鏈。
企業要蝦安全。 個人用蝦，睇實銀行卡同私隱資料，關鍵環節確認一下，大部分問題都解決到。企業就唔同，數據要隔離、權限要分級、操作要有日誌、出咗問題要追到源頭。
企業仲要蝦嘅經驗可以傳承。 今日用Claude，下年可能換GPT-6或者某個國產模型。如果業務知識散落喺prompt同人嘅腦入面，一換人換模型，積累嘅嘢全部歸零。
一句講曬：個人養蝦係裝一個工具，企業養蝦係起一套知識體系。
企業到底要俾蝦準備啲乜
知道咗企業養蝦同個人唔同，下一個問題係：知識體系具體指啲乜？
舉個例。你叫蝦「查下張總嗰個項目嘅進度」，蝦要做啲乜？佢要先知道「張總」係邊個（數據），然後揾張總負責嘅項目（數據之間嘅關係），再去項目管理系統查進度（操作），最後將結果整理成你想要嘅格式send俾你（技能）。
四步，缺任何一步都做唔成。企業要積累嘅知識，拆開就係呢四層：
• 第一層，數據。
客戶資料、產品資料、業務文件、歷史訊息，呢啲係最基本嘅原材料。• 第二層，數據之間嘅關係。
「呢個客戶簽咗邊份合約」「呢個指標受邊啲因素影響」「呢個審批流程依賴邊幾個部門」。孤立嘅數據用處唔大，連埋一齊先有價值。• 第三層，操作。
查詢、更新、審批、發通知。唔同崗位可以做嘅操作唔同，呢啲操作規則本身都係企業知識嘅一部分。• 第四層，Agent 技能。
將前三層嘅嘢封裝成 AI 可以理解同執行嘅形式。「收到催款電郵，自動查返對應合約金額同草擬回覆」，呢個就係一個技能。
我傾向將工具（Tools）放喺技能裏面，因為Agent需要Skill先知道點樣用工具。Skill係冰山露出水面嘅部分，底下三層先係冰山主體。
呢個都解釋咗點解好多企業淨係寫Skill寫得唔好。Skill嘅質量上限取決於底下三層嘅完整度。Agent冇得直接訪問底層嘅數據同關係，只能透過Skill同工具去掂。底層係空嘅，Skill再精美都係空轉。
無論用邊個平台，企業養蝦應該要做嘅三件事
框架講完，講下點樣落地。無論你用飛書、釘釘定自建系統，有三件事係共通嘅。
第一件：將企業嘅數據由人嘅腦入面搬出嚟
好多企業嘅關鍵資料存在三個地方：某個人嘅腦入面、某個聊天記錄入面、某個人電腦嘅Excel入面。呢啲資訊對AI嚟講都係不存在嘅。第一步就係將散落嘅業務數據收集到一個AI可以訪問嘅地方。
唔需要一步到位。先揀一個具體場景，例如客戶資料查詢、合約管理、項目進度追蹤，將呢個場景涉及嘅數據結構化咁整理好。一個場景行得通，再擴展到下一個。
第二件：將操作規則顯性化
「呢個審批揾邊個」「呢個數據邊個睇得」「呢種情況行咩流程」，呢啲規則通常只存在於老員工嘅經驗入面。如果唔將佢哋變成可配置嘅權限同可執行嘅流程，Agent永遠唔知乜嘢做得乜嘢做唔得。
呢啲唔係為AI準備嘅，係企業本身應該要做嘅嘢。AI只係迫你將應該做但未做嘅嘢補返。
第三件：令知識脱離特定嘅模型同特定嘅人
今日寫嘅prompt、配嘅Skill、set好嘅工作流，如果全部綁定喺某一個模型上，或者只得一個人識得維護，咁就係脆弱嘅。知識應該存在一個有版本管理、有權限控制、操作可追溯嘅系統入面，無論換模型定換人都可以繼續用。
模型係租返嚟嘅，知識先係自己嘅。 模型而家已經好聰明，有足夠能力幫你將企業嘅知識結構化咁固定落嚟。等知識積累到位咗，對模型嘅要求反而會降低。就好似一張詳細嘅城市地圖畫好咗，邊個揸車都揾到路。
飛書點解啱啱好對得啱
講完通用方法論，講飛書。點解OpenClaw嘅開發者自發咁湧去飛書？OpenClaw中文社區創辦人楊明鋒講得好直接：飛書可能係最快亦最適合接入OpenClaw嘅平台。 國內絕大多數OpenClaw用戶都揀咗接入飛書。
回過頭對照上面嘅四層框架，飛書嘅優勢就好清楚。
數據呢一層，飛書本身就有。 訊息、文件、多維表格、日曆、審批記錄，呢啲唔係為AI特登起嘅，係企業日常工作自然積累落嚟嘅。早幾年我哋羨慕海外SaaS嘅小而美，Slack管傾偈、Google管電郵文件、Jira管項目，但數據散落喺唔同服務，去到AI時代反而變成劣勢。飛書將呢啲放喺一個體系下，Agent接入嘅唔係一個空殼，而係一個已經儲咗幾年水嘅池塘。
數據關係呢一層，飛書嘅組織架構、文件之間嘅引用、多維表格嘅關聯視圖，本身就構成咗關係網絡。 蝦知道你屬於邊個部門、向邊個匯報、負責咩項目。多維表格嘅AI搭建能力，用自然語言描述需求就可以生成成個業務系統，單表容量做到咗千萬行級別。業務邏輯可以結構化咁固定落嚟，唔再依賴某個人嘅經驗。
操作呢一層，飛書開放咗2500幾個標準化API，覆蓋訊息、文件、多維表格、日曆、任務、審批。蝦接入之後唔單止「睇得明」，仲「鬱得到」。有用戶拎多維表格當雲端記憶庫，安排行程時自動將航班資料寫入去，下次問起直接由表格提取，跨越咗單次會話嘅限制。
安全同權限呢一層，飛書嘅體系同用戶本身嘅權限完全一致，唔會越權訪問。 敏感操作要人工確認，操作全程可追溯。飛書嘅安全治理指南裏面有完整嘅接入管控框架，包括設備合規檢查、API調用審計、Webhook域名審計。再加上飛書CLI，Agent可以直接訪問飛書而唔怕繞過權限設定。Skill呢一層，飛書嘅官方插件喺GitHub開源，透明可審計。ClawHub上曾經被爆出上千個惡意Skill，喺呢個背景下，有安全審核嘅Skill生態唔係錦上添花，係剛需。
楊攀（硅基流動聯合創始人）喺一場直播講咗一句說話，我覺得講到重點：
飛書唔單止係IM工具，而係一個完整嘅工作空間，同OpenClaw「幫用戶做嘢」嘅定位高度吻合。
工具可以買，知識買唔到
返到最初嘅問題。企業養嘅蝦唔好用，好大機會唔係模型唔夠勁，而係蝦住咗喺冇業務土壤嘅地方。 換一個更貴嘅模型，問題一樣喺度。
企業搞AI最容易跌入嘅陷阱：將所有精力放喺揀模型。今日Claude最勁，聽日GPT-6出咗，後日可能某個國產模型喺特定領域贏曬所有人。模型會不斷迭代，能力係租返嚟嘅。
但你積累嘅數據、梳理嘅關係、建立嘅操作規則、沉澱嘅知識體系，唔會因為換模型而消失。
今次養蝦熱潮最有價值嘅嘢，唔係某個工具紅咗，而係逼住每個企業去面對一個早應該面對嘅問題：你公司嘅業務知識，到底存在人嘅腦入面，定係存在一個系統入面？
蝦只係催化劑。知識體系先係真正嘅資產。
大多數企業仲喺「裝蝦」階段，蝦裝好咗，放喺一個空魚缸裏面，間中玩下。真正開始「養蝦」嘅企業，已經認真起自己嘅知識體系。
你公司係邊種？
養蝦🦞（OpenClaw）這陣風颳得太猛了，不止個人在玩，企業也都在裝，生怕落後。
但普遍的情況是：安裝容易，用起來難。做電商的公司，問蝦上個月的退貨率，它跑去網上搜；讓它寫封催款郵件，它連客戶欠了多少錢都不知道。這樣的蝦，跟魚缸裏的寵物沒什麼區別，只有觀賞價值。
很多人說企業養蝦沒養好，是模型不夠強，是 Skill 寫得不好。這話不完全對。再聰明的蝦，哪怕學會了屠龍術，如果生活在魚缸裏，也做不了什麼事。
蝦住在哪裏，比蝦本身重要。
這篇文章我會從企業 Agent 落地的角度，聊聊怎麼讓龍蝦真正發揮價值。會用飛書作為案例來說明，不是因為它完美，是因為在我看到的企業級方案裏，飛書在“給蝦提供工作環境”這件事上做得最完整。
個人養蝦和企業養蝦，完全是兩碼事
像我自己用龍蝦，也就是發個連結讓它抓取翻譯一下文章，或者給文章配張圖，用得不多。這是個人玩法，夠了。
企業完全不同。
企業需要蝦懂業務。 不是“幫我寫個郵件”，是“按照上季度籤的框架協議，給 A 客戶發一封關於 Q2 交付延遲的情況說明，語氣參考上次給 B 客戶的郵件模板”。要完成這個任務，蝦需要知道框架協議的內容、A 客戶的交付時間線、B 客戶郵件的語氣風格。這背後要的不是更聰明的模型，是數據、關係、權限和業務規則一整條鏈。
企業需要蝦安全。 個人用蝦，守好銀行卡和隱私信息，關鍵環節確認一下，大部分問題能杜絕。企業不一樣，數據要隔離、權限要分級、操作要有日誌、出了問題要能溯源。
企業還需要蝦的經驗能傳承。 今天用 Claude，明年可能換 GPT-6 或者某個國產模型。如果業務知識都散落在 prompt 和人的腦子裏，一換人換模型，積累的東西全部歸零。
一句話：個人養蝦是裝一個工具，企業養蝦是建一套知識體系。
企業到底該給蝦準備什麼
知道了企業養蝦和個人不同，下一個問題是：知識體系具體指什麼？
舉個例子。你讓蝦“查一下張總那個項目的進度”，蝦要做什麼？它得先知道“張總”是誰（數據），然後找到張總負責的項目（數據之間的關係），再去項目管理系統查進度（操作），最後把結果整理成你想要的格式發給你（技能）。
四步，缺任何一步都完不成。企業需要積累的知識，拆開來就是這四層：
• 第一層，數據。
客戶信息、產品資料、業務文檔、歷史消息，這是最基礎的原材料。• 第二層，數據之間的關係。
“這個客戶簽了哪個合同”“這個指標受哪些因素影響”“這個審批流程依賴哪幾個部門”。孤立的數據用處不大，連起來才有價值。• 第三層，操作。
查詢、更新、審批、發通知。不同崗位能做的操作不同，這些操作規則本身也是企業知識的一部分。• 第四層，Agent 技能。
把前三層的東西封裝成 AI 可以理解和執行的形式。“收到催款郵件，自動查詢對應合同金額並起草回覆”，這就是一個技能。
我傾向於把工具（Tools）放到技能裏面，因為 Agent 需要 Skill 才能知道如何使用工具。Skill 是冰山露出水面的部分，底下三層才是冰山主體。
這也解釋了為什麼很多企業光寫 Skill 寫不好。Skill 的質量上限取決於底下三層的完整度。Agent 沒法直接訪問底層的數據和關係，只能通過 Skill 和工具去夠。底層是空的，Skill 再精緻也是空轉。
不管用什麼平台，企業養蝦該做的三件事
框架講完了，說說怎麼落地。不管你用飛書、釘釘還是自建系統，有三件事是共通的。
第一件：把企業的數據從人的腦子裏搬出來
很多企業的關鍵信息存在三個地方：某個人的腦子裏、某個聊天記錄裏、某個人電腦的 Excel 裏。這些信息對 AI 來說都是不存在的。第一步就是把散落的業務數據收集到一個 AI 能夠訪問的地方。
不需要一步到位。先挑一個具體場景，比如客戶信息查詢、合同管理、項目進度追蹤，把這個場景涉及的數據結構化地整理好。一個場景跑通了，再擴展到下一個。
第二件：把操作規則顯性化
“這個審批找誰”“這個數據誰能看”“這種情況走什麼流程”，這些規則通常只存在於老員工的經驗裏。如果不把它們變成可配置的權限和可執行的流程，Agent 永遠不知道什麼能做什麼不能做。
這不是為 AI 準備的，這是企業本身就該做的事。AI 只是逼着你把該做沒做的事補上了。
第三件：讓知識脱離特定的模型和特定的人
今天寫的 prompt、配的 Skill、調好的工作流，如果全部綁定在某一個模型上，或者只有某一個人懂怎麼維護，那就是脆弱的。知識應該存在一個有版本管理、有權限控制、操作可追溯的系統裏，不管換模型還是換人都能接着用。
模型是租來的，知識才是自己的。 模型現在已經很聰明瞭，有足夠的能力幫你把企業的知識結構化地固定下來。等知識積累到位了，對模型的要求反而會降低。就像一張詳細的城市地圖畫好了，換誰來開車都能找到路。
飛書為什麼恰好對得上
說完通用方法論，說飛書。為什麼 OpenClaw 的開發者自發地湧向了飛書？OpenClaw 中文社區創辦人楊明鋒說得直接：飛書可能是最快也最合適接入 OpenClaw 的平台。 國內絕大多數 OpenClaw 用戶都選擇了接入飛書。
回頭對照一下上面的四層框架，飛書的優勢就很清楚了。
數據這一層，飛書天然就有。 消息、文檔、多維表格、日曆、審批記錄，這些不是為 AI 專門建的，是企業日常工作自然積累下來的。早些年我們羨慕海外 SaaS 的小而美，Slack 管聊天、Google 管郵件文檔、Jira 管項目，但數據散落在不同服務裏，到了 AI 時代反而成了劣勢。飛書把這些放在一個體系下，Agent 接入的不是一個空殼，是一個已經蓄了好幾年水的池塘。
數據關係這一層，飛書的組織架構、文檔之間的引用、多維表格的關聯視圖，天然就構成了關係網絡。 蝦知道你屬於哪個部門、彙報給誰、負責什麼項目。多維表格的 AI 搭建能力，用自然語言描述需求就能生成整套業務系統，單表容量做到了千萬行級別。業務邏輯可以結構化地固定下來，不再依賴某個人的經驗。
操作這一層，飛書開放了 2500 多個標準化 API，覆蓋消息、文檔、多維表格、日曆、任務、審批。蝦接入之後不只是“看得懂”，還“動得了”。有用戶拿多維表格當雲端記憶庫，安排行程時自動把航班信息寫進去，下次問起來直接從表格裏提取，跨越了單次會話的限制。
安全和權限這一層，飛書的體系跟用戶本人的權限完全一致，不會越權訪問。 敏感操作需要人工確認，操作全程可追溯。飛書的安全治理指南里有完整的接入管控框架，包括設備合規檢查、API 調用審計、Webhook 域名審計。再加上飛書 CLI，Agent 可以直接訪問飛書而不用擔心繞過權限設置。Skill 這一層，飛書的官方插件在 GitHub 開源，透明可審計。ClawHub 上曾經被曝出上千個惡意 Skill，在這個背景下，有安全審核的 Skill 生態不是錦上添花，是剛需。
楊攀（硅基流動聯合創始人）在一場直播裏說了一句話我覺得說到了點上：
飛書不只是 IM 工具，是一個完整的工作空間，和 OpenClaw”幫用戶做事”的定位高度契合。
工具可以買，知識買不來
回到最初的問題。企業養的蝦不好用，大概率不是模型不夠強，是蝦住在了一個沒有業務土壤的地方。 換一個更貴的模型，問題照樣在。
企業搞 AI 最容易掉進去的陷阱：把所有精力花在選模型上。今天 Claude 最強，明天 GPT-6 出來了，後天可能某個國產模型在特定領域碾壓所有人。模型會不斷迭代，能力是租來的。
但你積累的數據、梳理的關係、建立的操作規則、沉澱的知識體系，不會因為換模型而消失。
這波養蝦熱潮最有價值的東西，不是某個工具火了，是逼着每個企業去面對一個早該面對的問題：你公司的業務知識，到底存在人的腦子裏，還是存在一個系統裏？
蝦只是催化劑。知識體系才是真正的資產。
大多數企業還在“裝蝦”階段，蝦裝好了，放在一個空魚缸裏，偶爾逗一下。真正開始“養蝦”的企業，已經在認真建自己的知識體系了。
你的公司是哪種？